Minería de Datos
ITAM 2026
Temario
I. Fundamentos y Proceso
El Ecosistema de Datos
Motivación: DM vs. ML vs. IA. El valor económico de los datos. Ética y privacidad.
Metodología CRISP-DM
Introducción al aprendizaje de máquina. Ciclo de vida del proyecto. Definición de objetivos de negocio y traducción a objetivos de minería.
Comprensión de Datos (EDA)
Estadísticos descriptivos vs. inferenciales. Visualización para la toma de decisiones. Detección de “Datos Sucios”.
Preparación e Ingeniería
Limpieza de datos. Ingeniería de Características (RFM). Codificación de variables categóricas. El costo de la mala calidad de datos.
II. Evaluación de modelos
Métricas de Clasificación
La Paradoja de la Exactitud. Precisión, Recall, F1. Trade-offs operativos.
Métricas de Regresión
R cuadrada, MAE, MAPE, ejemplos.
Evaluación Financiera I
La Matriz de Confusión como Estado Financiero. Costos de FP y FN. Valor Esperado.
Evaluación Financiera II
Curvas de Lift, Gain y Profit. Análisis de Deciles. Optimización de umbrales para maximizar utilidad.
III. Modelado Predictivo
Árboles y Reglas
Árboles de Decisión (CART). Interpretabilidad visual. Reglas de negocio derivadas.
Ensambles I - Bagging
Random Forests. Reducción de varianza. Importancia de Variables para estrategia.
Ensambles II - Boosting
Gradient Boosting (XGBoost). Intuición de corrección de errores. Tuning básico. Evitar la derivación profunda, enfocar en aplicación.
Redes neuronales
Introducción a redes neuronales y arquitecturas populares.
IV. Temas selectos (con suficiente tiempo)
Estimación de elasticidades
Problemas de regresión simple, 2SLS, Double ML.
Detección de Anomalías
Isolation Forests.
Evaluación
- Tareas (15%)
- Quizes (25%)
- Examen parcial (30%)
- Proyecto final (30%):
- Entrega (75%)
- Exposición (25%)
Profesor
Nombre: Saúl Caballero Ramírez
Correo: saul.caballero.ramirez@gmail.com
Correo alternativo: saul@nixtla.io